1 前言
主要贡献：
（1）第一个分析微调传统ImageNet预训练模型应用于目标检测器的固有缺点
（2）提出一个名为DetNet的新的骨干结构，它通过保持空间分辨率和扩大感受野的方式来专门设计用于目标检测任务
（3）基于低复杂度的DetNet59骨干结构，在MSCOCO目标检测和实例分割追踪数据集上实现了新的最先进的效果
3 DetNet
3.1 目的
传统骨干网络有三个缺点：
（1）网络阶段数不同
（2）大目标定位不准确
（3）小目标很难发现
3.2 DetNet设计
DetNet59细节设计如下：
（1）在FPN结构中应用的骨干网络中引入了额外的阶段，比如P6阶段。同时，即使在阶段4之后16x的空间分辨率依旧固定不变。
（2）空间尺度在阶段4之后是不变的，他们在阶段4后引入了新的阶段，每个阶段开始是一个带1x1卷积投射的扩张瓶颈（Fig.2 B），他们发现在Fig.2 B中的结构在类似FPN这种多阶段的检测器中有重要作用。
（3）他们把带扩张卷积的瓶颈结构作为基础网络模块，以此有效扩大感受野。又由于扩张卷积仍然很耗时，于是把阶段5和阶段6的通道数设置成和阶段4一样（256瓶颈模块输入通道）这和每到下一阶段就会扩大一倍通道数的传统骨干设计不一样。
5 结论
在这篇论文中，他们专门为目标检测任务设计了一种新的骨干网络。传统的骨干网络一般是针对分类任务设计的，迁移到目标检测任务中会有一层隔阂。为了克服这个问题，他们提出了一种叫做“DetNet”的新骨干网络结构，不仅对分类任务有优化，也对定位很有帮助。如表7、8所示，DetNet在基于COCO标准库的目标检测和实例分割任务上均有优秀表现。